【技术实现步骤摘要】
本专利技术属于雷达目标检测领域，特别涉及基于深度学习的对海雷达目标检测领域。
技术介绍
1、地球上大部分面积被海洋覆盖，充分探索并合理地开发利用好海洋资源对于经济和社会的发展具有促进作用，同时在维护海洋安全和海洋权益方面也具有重要意义。因此，发展对海遥感和监测手段是有必要的。雷达作为一种重要的遥感传感器，在以海洋为探测背景的环境遥感、海上目标检测等领域发挥着重要作用。
2、传统雷达对海目标检测方法主要基于统计类模型，此类方法提取和利用的雷达目标特征较少，在强目标旁瓣虚假点迹抑制、云雨杂波虚假点迹抑制、海杂波虚假点迹抑制、粘黏目标检测等方面的性能表现较弱。所以，需要研究和开发具有更强特征提取器的对海目标检测算法，从而提升对海目标检测性能。
技术实现思路
1、本专利技术基于深度神经网络领域的全卷积单阶段检测网络，提出了一种基于全卷积单阶段网络的对海雷达视频目标检测方法。方法针对雷达对海探测视频数据构建深度学习训练集和测试集，以特征金字塔和三分支的头检测网络为基础结构，通过逐像素回归的方式进行目标的检测、位置回归和中心点回归，从而提升对海雷达视频数据目标检测性能。
2、技术方案如下：
3、本申请提供一种基于全卷积单阶段网络的对海雷达视频目标检测方法，方法包括：
4、步骤1：对于对海探测雷达原始回波进行预处理和信号处理；
5、步骤2：参考多帧雷达视频数据和对应的雷达目标恒虚警检测点迹数据，构建对海雷达目标检测数据集；
7、步骤4：使用测试集样本对训练获取的全卷积单阶段检测器进行测试，记录测试指标；检测器包括全卷积单阶段检测网络和相应的网络参数；
8、步骤5：查看迭代次数是否达到设定的最大值，如果迭代次数没有达到设定的最大值，根据网络优化参数调整全卷积单阶段检测网络参数，跳转步骤3；如果迭代达到最大值，执行步骤6。
9、步骤6：根据记录的测试指标，输出在所有迭代中性能指标最优的输出全卷积单阶段检测器，把待检测数据输入检测器，得到检测结果。
10、相比于传统技术，本专利技术的创新点如下：
11、本专利技术针对传统统计类雷达对海目标检测算法，强目标旁瓣虚假点迹抑制、云雨杂波虚假点迹抑制、海杂波虚假点迹抑制、粘黏目标检测等方面的性能表现较弱这一情况，采用全卷积单阶段网络增强对于雷达视频数据中雷达目标的特征提取能力，从而提升对海雷达视频数据目标检测性能。
本文档来自技高网...【技术保护点】
1.一种基于全卷积单阶段网络的对海雷达视频目标检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于全卷积单阶段网络的对海雷达视频目标检测方法，其特征在于，执行步骤4之前，还包括：
3.根据权利要求1所述的基于全卷积单阶段网络的对海雷达视频目标检测方法，其特征在于：步骤3中，使用ResNet34作为主干特征提取器，ResNet34的网络深度为34层。
4.根据权利要求1所述的基于全卷积单阶段网络的对海雷达视频目标检测方法，其特征在于：对于对海探测雷达原始回波进行预处理和信号处理，包括：
5.根据权利要求1所述的基于全卷积单阶段网络的对海雷达视频目标检测方法，其特征在于，参考多帧雷达视频数据和对应的雷达目标恒虚警检测点迹数据，构建对海雷达目标检测数据集，包括：
6.根据权利要求5所述的基于全卷积单阶段网络的对海雷达视频目标检测方法，其特征在于，
7.根据权利要求1所述的基于全卷积单阶段网络的对海雷达视频目标检测方法，其特征在于，步骤3中，构建全卷积单阶段检测网络，包括：
8.根据权利要求
9.根据权利要求7所述的基于全卷积单阶段网络的对海雷达视频目标检测方法，其特征在于，
10.根据权利要求9所述的基于全卷积单阶段网络的对海雷达视频目标检测方法，其特征在于，
...【技术特征摘要】
1.一种基于全卷积单阶段网络的对海雷达视频目标检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于全卷积单阶段网络的对海雷达视频目标检测方法，其特征在于，执行步骤4之前，还包括：
3.根据权利要求1所述的基于全卷积单阶段网络的对海雷达视频目标检测方法，其特征在于：步骤3中，使用resnet34作为主干特征提取器，resnet34的网络深度为34层。
4.根据权利要求1所述的基于全卷积单阶段网络的对海雷达视频目标检测方法，其特征在于：对于对海探测雷达原始回波进行预处理和信号处理，包括：
5.根据权利要求1所述的基于全卷积单阶段网络的对海雷达视频目标检测方法，其特征...
【专利技术属性】
技术研发人员：钱宇雷，贾振宇，冷鹏飞，周升国，匡华星，
申请(专利权)人：中国船舶集团有限公司第七二四研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。